《Medical Sciences》：A Wearable-Derived Autonomic Component Is Associated with Cardiovascular Health in Community-Dwelling Adults: A Cross-Sectional Analysis from the Longevity Check-Up 8+ Study
编辑推荐：
背景/目的：可穿戴设备提供多维度的心脏代谢健康测量指标。本研究旨在从可穿戴设备采集的心电图（ECG）和运动变量中提取潜在生理维度，并评估其与Longevity Check-Up 8+（LC8+）项目各项健康指标的关联。方法：自愿参加四次Longevity Ch
背景/目的：可穿戴设备提供多维度的心脏代谢健康测量指标。本研究旨在从可穿戴设备采集的心电图（ECG）和运动变量中提取潜在生理维度，并评估其与Longevity Check-Up 8+（LC8+）项目各项健康指标的关联。方法：自愿参加四次Longevity Check-Up 8+（LC8+）活动的社区居民成年人接受了可穿戴设备的24小时多参数记录。将八个可穿戴设备衍生变量纳入主成分分析（PCA），以提取潜在生理维度。随后评估各成分得分与LC8+整体健康水平的关联，并进行探索性分析以检验各成分与个体健康指标域的关联。结果：共纳入97名受试者（平均年龄51.3 ± 13.4岁；女性占36%）。在96名具有完整PCA数据的受试者中，识别出三个潜在生理成分，共解释70.1%的总方差。PC1以高SDNN、高RMSSD和低夜间心率为特征，与LC8+整体健康水平独立相关（LM：B = +0.402，95% CI [+0.103, +0.700]，p = 0.009）。在八个LC8+健康域中，经Benjamini–Hochberg校正后，仅PC1与血糖健康的关联在主要固定效应分析中仍具有统计学显著性（95% CI [1.32, 4.62]，校正后p = 0.039）。结论：可穿戴设备衍生的自主神经成分与社区居民成人的整体心脏代谢健康相关。在LC8+各健康域中，与血糖健康的关联最强。这些初步发现支持进一步研究可穿戴设备监测作为预防医学中心血管健康评估补充工具的潜力。
### 论文解读：可穿戴设备衍生的自主神经成分与心血管健康的关联——一项基于Longevity Check-Up 8+研究的横断面分析
#### 一、研究背景与问题提出
可穿戴设备使得在传统临床环境之外对心血管生理进行连续、无创监测成为可能，其产生的丰富生理信息已被日益视为候选数字生物标志物的来源，能够提供超越常规临床评估的客观纵向健康指标。除常规心律失常检测外，这些设备捕捉多种生理信号，如心率变异性（HRV）、夜间心率动力学及睡眠相关参数，可能反映与心脏代谢健康相关的互补生理域。已有研究表明，自主神经功能指标，特别是HRV，与心血管健康相关，而睡眠相关参数也逐渐被认为是心脏代谢风险的重要补充标记物。然而，可穿戴设备衍生的生理信号是否能反映整体心血管健康面貌或优先映射到特定健康域，目前尚不清楚。
#### 二、研究设计与核心发现
为解决上述问题，研究人员开展了一项横断面观察性研究，纳入97名自愿参加四次Longevity Check-Up 8+（LC8+）预防医学活动的社区居民成人，受试者佩戴Rooti Rx可穿戴设备进行24小时多参数记录。研究对八个可穿戴设备衍生变量进行了主成分分析，提取潜在生理维度，并评估其与LC8+整体健康评分及个体健康域之间的关联。
研究结果显示，在96名完整的PCA分析样本中，识别出三个潜在生理成分，共解释70.1%的总方差。PC1以高SDNN、高RMSSD和低夜间心率为特征，代表自主神经功能维度；PC2主要由睡眠相关变量构成；PC3主要由呼吸相关指标驱动。其中，PC1与LC8+整体健康评分独立相关，经年龄和性别校正后仍保持显著。在LC8+八个健康域中，PC1与血糖健康的关联最强，经多重比较校正后仍具有统计学显著性。此外，PC1与习惯性体力活动呈独立正相关，但与年龄无关。该研究发表在期刊《Medical Sciences》上。
#### 三、关键研究方法
研究纳入自愿参加意大利四次Longevity Check-Up 8+（LC8+）预防医学活动的社区居民成人。主要技术方法包括：（1）使用Rooti Rx可穿戴设备进行24小时单导联心电图及三轴加速度信号记录，提取八项可穿戴衍生变量；（2）利用主成分分析提取三个潜在生理维度；（3）采用线性回归模型评估PC1与LC8+整体健康评分的关联，并运用广义线性模型分析PC1与各健康域的关联；（4）利用Benjamini–Hochberg校正法控制多重比较的假发现率；（5）开展多项敏感性分析验证结果的稳健性，包括剔除低抽样充分度变量、排除极端值、使用序数回归模型及混合效应模型等。
#### 四、研究结果
##### 4.1 受试者特征
97名受试者分别来自四个LC8+活动地点，平均年龄51.3 ± 13.4岁，其中男性占63.9%。平均Godin–Shephard得分为39.5 ± 21.7，表明该队列为相对活跃的人群。LC8+健康指标中，达标率最高的是体力活动（84.5%）、睡眠（80.4%）和BMI（75.3%），胆固醇达标率最低（32.0%）。平均HM总评分为5.3 ± 1.5。
##### 4.2 可穿戴设备衍生变量的主成分分析结构
KMO抽样充分性检验值为0.493，Bartlett球形检验显著，平行分析支持保留三个主成分。PC1（29.7%方差）以高SDNN（载荷+0.9205）、较高RMSSD（载荷+0.5468）和低夜间心率（载荷?0.8623）为特征；PC2（23.6%方差）主要由WASO（+0.8876）和睡眠效率（?0.8233）驱动；PC3（16.9%方差）由CVHRI（+0.6794）和CEI（+0.6747）驱动。敏感性分析显示PC1的核心结构稳定。
##### 4.3 可穿戴设备衍生生理维度与LC8+整体健康的关联
线性回归模型显示，PC1是唯一与HM总评分独立相关的可穿戴衍生成分（B = +0.402，95% CI [+0.103, +0.700]，p = 0.009），PC2和PC3无独立关联。年龄（B = ?0.026，p = 0.037）和男性（B = ?0.668，p = 0.043）也是显著固定效应。敏感性分析结果一致：混合效应模型中得到相似估计（B = +0.408），排除SDNN > 300 ms的受试者后关联仍显著（B = +0.410），比例优势序数逻辑回归也证实了该关联（OR = 1.87）。
##### 4.4 PC1与各健康域的关联
主固定效应logistic回归分析显示，PC1与血糖健康（OR = 2.47，95% CI [1.32, 4.62]，p = 0.005）及睡眠健康（OR = 1.99，95% CI [1.05, 3.77]，p = 0.035）呈正相关。经Benjamini–Hochberg校正后，仅血糖健康的关联保持显著性（校正后p = 0.039），睡眠健康未通过校正（校正后p = 0.142）。混合效应敏感性分析中，血糖健康关联仍名义显著（OR = 2.29，p = 0.007）但未达校正阈值（校正后p = 0.058）。
##### 4.5 可穿戴衍生PC1的决定因素
多变量线性回归模型（F(4, 91) = 7.26，p < 0.001，R2 = 0.242）显示，男性（B = +0.662，p = 0.002）和较高Godin–Shephard得分（B = +0.014，p = 0.002）与更高PC1独立相关，而年龄和BMI无独立关联。
#### 五、讨论与结论
研究人员认为，从单次24小时可穿戴设备记录中提取的自主神经维度（PC1）与LC8+框架评估的整体心血管健康独立相关，且与血糖健康的关联最强。PC1与习惯性体力活动而非年龄的独立关联，提示该可穿戴衍生维度可能反映生活方式行为而非单纯的时间生物学衰老过程。然而，研究存在横断面设计无法推断因果关系、样本量有限、参与者在选择上可能存在偏倚、LC8+为二元阈值判定、PCA结构需外部验证等局限。总体而言，这些初步发现支持将24小时可穿戴记录的多维分析作为心脏代谢健康的候选数字生物标志物进行进一步研究，但需在纵向和外部验证研究确认后方可考虑临床应用。
